本文旨在开发一种高效且紧凑的深度网络，用于RGB-D显著目标检测，其中深度图像提供了补充信息，以在复杂场景中提升性能。我们从多尺度残差块生成的粗略初始预测开始，提出了一种逐步引导交替精炼网络来优化这一预测。不同于使用ImageNet预训练的骨干网络，我们首先通过从零学习构建了一个轻量级的深度流，该方法能够更高效地提取互补特征，并减少冗余。然后，与现有的融合方法不同，我们将RGB和深度特征交替输入到所提出的引导残差（Guided Residual, GR）块中，以减少它们之间的相互退化。通过在每个侧输出内的堆叠GR块中分配逐步引导，可以有效纠正误检和缺失部分。广泛的实验在七个基准数据集上表明，我们的模型在性能上大幅超越了现有的最先进方法，并且在效率（71帧/秒）和模型大小（64.9 MB）方面也表现出色。